一种基于在线质量监测的浮选优化控制方法技术

本发明专利技术涉及一种基于在线质量监测的浮选优化控制方法，包括时采集整个浮选流程中的多个环节采集到的数据，对采集的数据处理得到数据集，采用收敛交叉映射方法提取数据集的因果特征，获得关键操作变量与生产指标变量的动态关系模型；设计基于Lyapunovo Barrier函数实现单步的优化控制的优化目标；采用时间向前滚动式的有限时域优化策略搜索最优动作，实现循环向前的优化控制任务；步骤8、重复步骤5、6、7，在线优化控制浮选过程。本发明专利技术的优点是：有效的避免了固定的全局优化目标与实际生产的脱节，对目标变量合理优化，如降低浮尾品位、稳定浮精品位有着较好的效果。浮精品位有着较好的效果。浮精品位有着较好的效果。

【技术实现步骤摘要】
一种基于在线质量监测的浮选优化控制方法


[0001]本属于选矿过程智能控制
，具体说是一种针对浮选过程的运行优化控制方法。

技术介绍

[0002]近年来，随着科学技术的发展，对于矿物资源的需求不断增加。企业就必须通过保证产品质量、提高生产效率、降低生产成本来提高经济效益。泡沫浮选作为一项高效的矿物分选技术，在现代选矿工业中得到了普遍应用。
[0003]传统的浮选过程控制通常是现场工艺人员根据以往生产经验，调节加药量、充气量、浮选机锥阀开启度等参数来实现。这种通过主观判断的控制方式，随意性较强，加之现场工艺环境恶劣，工艺波动频繁，导致产品质量差，稳定性不佳。
[0004]由于泡沫浮选是一个多输入输出、耦合关联的复杂过程，并且受众多参数影响，现阶段的方法难以对浮选过程建立精确的过程模型，因此泡沫浮选过程的自动化控制实施困难。
[0005]目前的浮选自动控制研究主要集中在单个环节或单变量控制策略的研究，但针对长生产周期、内部耦合度高、参数多的浮选工艺过程，需要将整个浮选流程中的多个数据源数据充分加入到数据建模分析中，建立全流程运行优化控制模型。

技术实现思路

[0006]本专利技术的目的是提供一种基于在线质量监测的浮选优化控制方法，将传感器采集的实时流程数据与泡沫分析仪提取的图像特征值综合建模，考虑变量间的因果特征，建立可靠的预测控制模型，基于对监控变量与指标的实时预测，优化控制浮选过程加药量、充气量与锥阀开启度等操作变量。
[0007]本专利技术的一种基于在线质量监测的浮选优化控制方法，其特征在于，包括如下步骤：
[0008]步骤1、实时采集整个浮选流程中多个环节采集到的数据D，主要包括传感器采集的实时监控数据D1，泡沫分析仪提取的图像特征值D2，操作控制反馈值D3，并加入到后续数据建模分析中；
[0009]步骤2、对实时监控数据D1、控制反馈数据D2分别进行归一化处理得到无量纲的实时监控数据D1′
、无量纲的控制反馈数据D2′
，对图像特征数据D3进行哑变量处理得到伪编码的图像特征数据D3′
；
[0010]步骤3、采用卡尔曼滤波对无量纲的实时监控数据D1’
进行平滑处理得到平滑后的无量纲的实时监控数据D
1”，将平滑后的无量纲的实时监控数据D
1”、无量纲的控制反馈数据D2’
、伪编码的图像特征数据D3’
组合得到数据集D
’
；
[0011]步骤4、采用收敛交叉映射方法提取数据集D
′
的因果特征，对操作变量传感器监控变量与泡沫状态变量的因果性进行分析，筛选出关键操作变量集合
根据实际需求确认生产指标变量最后设定数据集D
′
中除去关键操作变量T
i
和生产指标变量T
o
以外的变量为其他状态变量T
s
；
[0012]步骤5、以关键操作变量T
i
和其他状态变量T
s
作为输入，建立扩张时序卷积网络，对生产指标变量T
o
进行预测，获得关键操作变量T
i
与生产指标变量T
o
的动态关系模型；
[0013]步骤6、设计基于Lyapunovo Barrier函数实现单步的优化控制的优化目标；
[0014]步骤7、采用时间向前滚动式的有限时域优化策略搜索最优动作，实现循环向前的优化控制任务；
[0015]步骤8、重复步骤5、6、7，在线优化控制浮选过程。
[0016]优选地，所述的实时监控数据包括各个流程的底流速度和空气流量、各个泵池液位、温度和PH值；泡沫分析仪提取的图像特征值包括图像本身点位的RGB值以及从图像识别的泡沫大小及颜色；操作控制反馈值包括锥阀开度、加药量类型和多少以及给矿泵频率。
[0017]优选地，将采集到的实时监控数据D1和操作控制反馈值D3利用Min
‑
Max标准化方法进行归一化处理，映射范围为[
‑
1，1]，并将图像特征值D2通过哑变量的方式进行处理，转化为具有m个具有0，1值的数值特征，其中所述的利用Min
‑
Max标准化方法公式如下：
[0018][0019]式中x
i
为采集到的实时监控数据D1和操作控制反馈数据D3的每一个特征列的全部数据，min(x
i
)和max(x
i
)是分别对x
i
求最大和最小值。
[0020]优选地，所述的步骤3中采用卡尔曼滤波对无量纲的实时监控数据D1’
进行平滑处理，其中卡尔曼滤波器时间更新公式如下：
[0021][0022][0023]卡尔曼滤波器状态更新公式如下：
[0024][0025][0026][0027]式中和分别表示k
‑
1时刻和k时刻的后验状态估计值，是k时刻的先验状态估计值，P
k
‑1和P
k
分别表示k
‑
1时刻和k时刻的后验估计协方差(即和的协方差，表示状态的不确定度)，是k时刻的先验估计协方差(的协方差)，H是状态变量到测量(观测)的转换矩阵，表示将状态和观测连接起来的关系，z
k
是滤波的输入，这里指无量纲的实时监控数据D1’
、无量纲的控制反馈数据D2’
，K
k
是滤波增益矩阵，A是状态转移矩阵，Q是过
程激励噪声协方差(系统过程的协方差)。R是测量噪声协方差，B是将输入转换为状态的矩阵，是实际观测和预测观测的残差。
[0028]优选地，所述的步骤4中筛选关键操作变量包括下列步骤；
[0029]步骤4
‑
1、根据生产实际确定生产指标变量T
o
，并基于生产指标变量T
o
和数据集D
′
构建t时刻的数据集Y(t)；同时构造操作变量传感器监控变量与泡沫状态变量的特征集合，排除其中的生产指标变量T
o
，与数据集D
′
形成t时刻数据集X(t)；然后基于X(t)和Y(t)构建X(t)和Y(t)对应的影子流形M
X
、M
Y
，公式如下：
[0030]M
X
＝{x
(t)
}x
(t)
＝<X
(t)
,X
(t
‑
τ)
,X
(t
‑
2τ)
,
…
,X
(t
‑
(E
‑
1)τ)
>
[0031]M
Y
＝{y
(t)
}y
(t)
＝<Y
(t)
,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线质量监测的浮选优化控制方法，其特征在于，包括如下步骤：步骤1、实时采集整个浮选流程中多个环节采集到的数据D，主要包括传感器采集的实时监控数据D1，泡沫分析仪提取的图像特征值D2，操作控制反馈值D3，并加入到后续数据建模分析中；步骤2、对实时监控数据D1、控制反馈数据D2分别进行归一化处理得到无量纲的实时监控数据D1′
、无量纲的控制反馈数据D2′
，对图像特征数据D3进行哑变量处理得到伪编码的图像特征数据D3′
；步骤3、采用卡尔曼滤波对无量纲的实时监控数据D1′
进行平滑处理得到平滑后的无量纲的实时监控数据D1″
，将平滑后的无量纲的实时监控数据D1″
、无量纲的控制反馈数据D2′
、伪编码的图像特征数据D3′
组合得到数据集D
′
；步骤4、采用收敛交叉映射方法提取数据集D
′
的因果特征，对操作变量传感器监控变量与泡沫状态变量的因果性进行分析，筛选出关键操作变量集合根据实际需求确认生产指标变量最后设定数据集D
′
中除去关键操作变量T
i
和生产指标变量T
o
以外的变量为其他状态变量T
s
步骤5、以关键操作变量T
i
和其他状态变量T
s
作为输入，训练扩张时序卷积网络，对生产指标变量T
o
进行预测，获得关键操作变量T
i
与生产指标变量T
o
的动态关系模型；步骤6、设计基于Lyapunovo Barrier函数实现单步的优化控制的优化目标；步骤7、采用时间向前滚动式的有限时域优化策略搜索最优动作，实现循环向前的优化控制任务；步骤8、重复步骤5、6、7，在线优化控制浮选过程。2.根据权利要求1所述的基于在线质量监测的浮选优化控制方法，其特征在于，所述的实时监控数据包括各个流程的底流速度和空气流量、各个泵池液位、温度和PH值；泡沫分析仪提取的图像特征值包括图像本身点位的RGB值以及从图像识别的泡沫大小及颜色；操作控制反馈值包括锥阀开度、加药量类型和多少以及给矿泵频率。3.根据权利要求1所述的基于在线质量监测的浮选优化控制方法，其特征在于，将采集到的实时监控数据D1和操作控制反馈值D3利用Min
‑
Max标准化方法进行归一化处理，映射范围为[
‑
1，1]，并将图像特征值D2通过哑变量的方式进行处理，转化为具有m个具有0，1值的数值特征，其中所述的利用Min
‑
Max标准化方法公式如下：式中x
i
为采集到的实时监控数据D1和操作控制反馈数据D
a
的每一个特征列的全部数据，min(x
i
)和max(x
i
)是分别对x
i
求最大和最小值。4.根据权利要求1所述的基于在线质量监测的浮选优化控制方法，其特征在于，所述的步骤3中采用卡尔曼滤波对无量纲的实时监控数据D1’
进行平滑处理，其中卡尔曼滤波器时间更新公式如下：
卡尔曼滤波器状态更新公式如下：卡尔曼滤波器状态更新公式如下：卡尔曼滤波器状态更新公式如下：式中和分别表示k
‑
1时刻和k时刻的后验状态估计值，是k时刻的先验状态估计值，也是卡尔曼滤波更新的输出，这里是平滑后的无量纲的实时监控数据D1″
；P
k
‑1和P
k
分别表示k
‑
1时刻和k时刻的后验估计协方差，是k时刻的先验估计协方差，H是状态变量到测量的转换矩阵；z
k
是滤波的输入，这里指无量纲的实时监控数据D1′
；K
k
是滤波增益矩阵，A是状态转移矩阵，Q是过程激励噪声协方差，也是系统过程的协方差，R是测量噪声协方差，B是将输入转换为状态的矩阵，是实际观测和先验状态估计的残差。5.根据权利要求1所述的基于在线质量监测的浮选优化控制方法，其特征在于，所述的步骤4中筛选关键操作变量包括下列步骤；步骤4
‑
1、根据生产实际确定生产指标变量T
o
，并基于生产指标变量T
o
和数据集D
′
构建t时刻的数据集Y(t)；同时构造操作变量传感器监控变量与泡沫状态变量的特征集合，排除其中的生产指标变量T
o
，与数据集D
′
形成t时刻数据集X(t)；然后基于X(t)和Y(t)构建X(t)和Y(t)对应的影子流形M
X
、M
Y
，公式如下：M
x
＝{x
(t)
}x
(t)
＝<X
(t)
，X
(t
‑
τ)
，X
(t
‑
2τ)
，
…
，X
(t
‑

【专利技术属性】
技术研发人员：杨振宇，苑庆波，张文辉，孙斌，白元生，张国良，胡健，范立鹏，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：